本發明涉及輸變電設備檢測領域,具體涉及一種基于閾值自適應設置的設備參數異常檢測系統及方法。

背景技術：

眾所周知，設備的運行狀態對于電廠生產影響巨大，設備在正常工況運行過程中體現出來的功能特征、表象特征以及電氣特征與異常狀態下的特征是有差異的。根據設備狀態預警，做出檢修計劃，將節省電廠巨大的人力、物力、財力，具有非常大的經濟潛力。

目前，在設備狀態預警方面，設備生產廠商根據制造工藝設定各個部件不同預警級別的閾值方法，現有設備異常檢測方法采用靜態閾值設置的方法，即以現有數據平均值為基準，上下分別以均值的固定百分比(例如150％、300％)作為上下閾值，進行數據異常檢測。

上下閾值之間的區域為“正常”區域，上下閾值之外的區域為“異常”區域。靜態閾值設置無法反映數據的動態實時特點。閾值上下界設置采用業務專家的主觀經驗，無法反映數據客觀規律。

技術實現要素：

本發明的目的在于克服現有技術的不足，提供一種基于閾值自適應設置的設備參數異常檢測系統及方法，解決變電設備狀態參數異常檢測閾值區間較多依賴變電設備專家離線計算及主觀經驗，而無法根據設備運行實時狀態自適應方式變化的問題。

本發明提供了一種基于閾值自適應設置的設備參數異常檢測系統，包括變電設備、集中器、傳輸線路和檢測系統，變電設備包括N個監測點，檢測系統包括接收器和處理器，N個監測點分別與集中器連接，集中器通過傳輸線路與檢測系統中的接收器連接，接收器與處理器連接，N大于2的正整數；

N個監測點，用于實時檢測變電設備的運行狀態，實時獲取多維度實時測點數據并傳輸至集中器；

集中器，用于接收到N個監測點發送來的測點數據后，按照接收時間分批次將不同時間接收的測點數據通過傳輸線路發送至接收器；

接收器，接收器用于接收來自集中器發送的測點數據，經過預處理后發送至處理器；

處理器包括：

正則化模塊，用于對預處理后的測點數據進行歸一化運算；

降維模塊，用于對歸一化處理后的數據序列進行多維度變電設備數據降維；

預測模塊，用于對變電設備運行狀態的實時降維數據序列進行預測計算，產生變電設備運行狀態的預測數據序列；

分值計算模塊，用于利用變電設備實際數據與預測數據進行分值計算，得到當前時刻電設備運行狀態分值；

閾值計算模塊；確定變電設備運行狀態閾值區間，包括上閾值界、下閾值界，計算正常閾值范圍；

異常檢測模塊，用于判斷當前時刻分值是否在閾值范圍內，得到是否異常的結果。

進一步地，傳輸線路為有線線路、無線線路，或有線線路和無線線路結合的線路。

進一步地，進一步地正則化模塊還用于將多維度實時變電設備參數x_t定義為t時刻變電設備數據集合，x⁽ⁱ⁾定義為多維度變電設備數據的第i維，i＝1，2，…，n，表示為：

x_t＝(x⁽¹⁾，x⁽²⁾，…，x⁽ⁱ⁾，…，x⁽ⁿ⁾)

對多維度實時變電設備參數x_t進行正規化，實現歸一化運算，

得到t時刻變電設備運行狀態的實時多維度歸一化數據序列到n_t，其中NOR(x_t)是正規化運算，||x_t||，是x_t的模。

進一步地，降維模塊還用于對變電設備運行狀態的實時多維度歸一化數據序列n_t進行降維運算：

y_t＝PCA(n_t)

得到t時刻變電設備運行狀態的實時降維數據序列y_t，其中PCA(x_t)是降維運算，通過對變電設備運行狀態的實時多維度歸一化數據序列應用降維操作，產生變電設備運行狀態的實時降維數據序列。

進一步地，分值計算模塊還用于應用變電設備運行狀態的實時降維數據序列y_t和變電設備運行狀態的實時數據及預測數據進行分值計算，

得到變電設備運行狀態分值到z_t。

進一步地，閾值計算模塊還用于計算變電設備的行狀態閾值區間，具體為：

[Q₁-1.5IQR，Q₃+1.5IQR]

其中，Q₁-1.5IQR為上閾值；Q₃+1.5IQR為下閾值；四分位數間距IQR＝Q₃-Q₁。

進一步地，異常檢測模塊還用于判斷當前時刻分值是否在閾值區間范圍，并做出變電設備運行狀態是否異常的結論是指使用變電設備運行狀態分值到z_t與變電設備運行狀態閾值區間[Q₁-1.5IQR，Q₃+1.5IQR]進行比較，如果z_t在該區間范圍，則變電設備狀態正常；否則，變電設備狀態異常。

本發明還提供了一種基于閾值自適應設置的設備參數異常檢測方法，依次包括如下步驟：

步驟1:變電設備運行狀態多維度實時測點數據接入，并進行歸一化處理，獲得變電設備運行狀態的實時多維度歸一化數據序列；

步驟2:通過對變電設備運行狀態的實時多維度歸一化數據序列應用降維操作，產生變電設備運行狀態的實時降維數據序列；

步驟3:應用可配置的預測器，對變電設備運行狀態的實時降維數據序列進行預測計算，產生變電設備運行狀態的預測數據序列；

步驟4:應用變電設備運行狀態的實時數據及預測數據進行分值計算，得到變電設備運行狀態分值；

步驟5:確定變電設備運行狀態閾值區間，包括上閾值界、下閾值界；

步驟6:應用變電設備運行狀態閾值區間，判斷當前時刻分值是否在閾值區間范圍，并做出變電設備運行狀態是否異常的結論。

本發明的基于閾值自適應設置的設備參數異常檢測系統及方法，可以實現：

解決變電設備狀態參數異常檢測閾值區間較多依賴變電設備專家離線計算及主觀經驗，而無法根據設備運行實時狀態自適應方式變化的問題，利用特定順序和特殊的處理方式，實時的采集處理變電設備數據，提高了運算效率，并且能夠實時快速、自動化的檢測設備異常情況。

附圖說明

圖1為基于閾值自適應設置的設備參數異常檢測系統的結構圖

圖2為處理器中各個模塊處理流程圖

圖3為基于閾值自適應設置的設備參數異常檢測方法流程圖

具體實施方式

下面詳細說明本發明的具體實施，有必要在此指出的是，以下實施只是用于本發明的進一步說明，不能理解為對本發明保護范圍的限制，該領域技術熟練人員根據上述本發明內容對本發明做出的一些非本質的改進和調整，仍然屬于本發明的保護范圍。

本發明提供了一種基于閾值自適應設置的設備參數異常檢測系統，如圖1所示，系統主要包括變電設備11、集中器14、傳輸線路15和檢測系統16，其中變電設備11包括N個監測點12、13，檢測系統包括接收器17和處理器18，N個監測點分別與集中器14連接，集中器14通過傳輸線路15與檢測系統16中的接收器17連接，接收器17與處理器18連接。

N個監測點用于實時檢測變電設備11的運行狀態，實時獲取多維度實時測點數據并傳輸至集中器14，集中器14接收到N個監測點發送來的測點數據后，按照接收時間分批次將不同時間接收的測點數據通過傳輸線路15發送至接收器，其中傳輸線路15可以為有線的方式，也可以是無線的方式，甚至可以是有線和無線結合的方式，接收器17接收到來自集中器14發送的測點數據以后，進行預處理后發送至處理器18，其中預處理為濾波、放大等處理。如圖2所示，處理器18包括正則化模塊21，降維模塊22，預測模塊23，分值計算模塊24，閾值計算模塊25和異常檢測模塊26，處理器18接收到來自接收器17預處理后的測點數據以后，進行以下處理：

(1)對預處理后的測點數據進行歸一化運算，具體為；

多維度實時變電設備參數x_t定義為t時刻變電設備數據集合，x⁽ⁱ⁾定義為多維度變電設備數據的第i維，i＝1，2，…，n，表示為：

x_t＝(x⁽¹⁾，x⁽²⁾，…，x⁽ⁱ⁾，…，x⁽ⁿ⁾)

所述歸一化處理，是指對多維度實時變電設備參數x_t進行正規化，實現歸一化運算，

得到t時刻變電設備運行狀態的實時多維度歸一化數據序列到n_t，其中NOR(x_t)是正規化運算，||x_t||，是x_t的模。

其中所述變電設備包括(但不限于)開關刀閘、變壓器等，所述變電設備狀態參數包括(但不限于)電流、電壓、功率、功率因數、油溫、油中氣體數據等。

(2)對歸一化處理后的數據序列進行多維度變電設備數據降維，具體為：

所述進行降維操作，是指對變電設備運行狀態的實時多維度歸一化數據序列n_t進行降維運算：

y_t＝PCA(n_t)

得到t時刻變電設備運行狀態的實時降維數據序列y_t，其中PCA(x_t)是降維運算，通過對變電設備運行狀態的實時多維度歸一化數據序列應用降維操作，產生變電設備運行狀態的實時降維數據序列；所述降維運算PCA(x_t)包括(但不限于)離散余弦變換、主成分分析、離散小波變換等。

(3)對變電設備運行狀態的實時降維數據序列進行預測計算，產生變電設備運行狀態的預測數據序列，具體為：

所述預測計算，是指對變電設備運行狀態的實時降維數據序列y_t進行預測計算，

得到t時刻變電設備運行狀態的預測數據序列其中AR(y_t)是預測器；其中所述預測器包括(但不限于)：多項式回歸預測器、支持向量機預測器、人工神經網絡預測器、卡爾曼預測濾波器、決策樹回歸預測器。

(4)利用變電設備實際數據與預測數據進行分值計算，得到當前時刻電設備運行狀態分值，具體為：

所述分值計算，是指應用變電設備運行狀態的實時降維數據序列y_t和變電設備運行狀態的實時數據及預測數據進行分值計算，

得到變電設備運行狀態分值到z_t；

(5)確定變電設備運行狀態閾值區間，包括上閾值界、下閾值界，計算正常閾值范圍，具體為：

所述變電設備運行狀態閾值區間，是指

[Q₁-1.5IQR，Q₃+1.5IQR]

其中，Q₁-1.5IQR為上閾值；Q₃+1.5IQR為下閾值；四分位數間距IQR＝Q₃-Q₁。

(6)判斷當前時刻分值是否在閾值范圍內，得到是否異常的結果。

所述判斷當前時刻分值是否在閾值區間范圍，并做出變電設備運行狀態是否異常的結論是指使用變電設備運行狀態分值到z_t與變電設備運行狀態閾值區間[Q₁-1.5IQR，Q₃+1.5IQR]進行比較，如果z_t在該區間范圍，則變電設備狀態正常；否則，變電設備狀態異常。

本發明還提供了一種基于閾值自適應設置的變電設備狀態參數異常檢測方法，如圖3所示，包括以下步驟：

步驟1:變電設備運行狀態多維度實時測點數據接入，并進行歸一化處理，獲得變電設備運行狀態的實時多維度歸一化數據序列；

步驟2:通過對變電設備運行狀態的實時多維度歸一化數據序列應用降維操作，產生變電設備運行狀態的實時降維數據序列；

步驟3:應用可配置的預測器，對變電設備運行狀態的實時降維數據序列進行預測計算，產生變電設備運行狀態的預測數據序列；

步驟4:應用變電設備運行狀態的實時數據及預測數據進行分值計算，得到變電設備運行狀態分值；

步驟5:確定變電設備運行狀態閾值區間，包括上閾值界、下閾值界；

步驟6:應用變電設備運行狀態閾值區間，判斷當前時刻分值是否在閾值區間范圍，并做出變電設備運行狀態是否異常的結論。

盡管為了說明的目的，已描述了本發明的示例性實施方式，但是本領域的技術人員將理解，不脫離所附權利要求中公開的發明的范圍和精神的情況下，可以在形式和細節上進行各種修改、添加和替換等的改變，而所有這些改變都應屬于本發明所附權利要求的保護范圍，并且本發明要求保護的產品各個部門和方法中的各個步驟，可以以任意組合的形式組合在一起。因此，對本發明中所公開的實施方式的描述并非為了限制本發明的范圍，而是用于描述本發明。相應地，本發明的范圍不受以上實施方式的限制，而是由權利要求或其等同物進行限定。